Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Facoltà di Ingegneria
Corso di Laurea in Ingegneria Meccanica
Correlatore
Ing. Milena Martarelli
Questa tesi è rilasciata sotto licenza Creative Commons Attribution 3.0 Unported
http://creativecommons.org/licenses/by/3.0/legalcode/
Indice
1 Introduzione 5
2 Fondamenti di Statistica, Acustica e Macchine Elettriche 7
2.1 Parametri statistici per l’analisi del segnale 7
2.1.1 RMS 7
2.1.2 Crest Factor 8
2.1.3 Kurtosis 8
2.2 Curva di pesatura A 10
2.3 Motore asincrono monofase 11
3 Setup e strumenti di misura 12
3.1 Oggetto delle misure 12
3.2 Catene di misura 13
3.2.1 Setup di acquisizione accelerometrico 14
3.2.1.1 Accelerometro piezoelettrico PCB 356A32 16
3.2.1.2 Blocco connettore schermato NI BNC-2110 17
3.2.1.3 Scheda di acquisizione NI PCI-6036E 18
3.2.1.4 Software 19
3.2.2 Simulazione setup per linea di produzione 21
3.2.2.1 Software 22
Indice
Il testo, dopo aver introdotto le nozioni teoriche necessarie alla comprensione di quanto
esposto nei capitoli a seguire, descrive le catene di misura e gli strumenti di cui si è fatto uso
per le prove preliminari e per il setup definitivo.
L’indagine ha riguardato tra l’altro la progettazione di un sistema di fissaggio per
l’accelerometro che servisse a velocizzare le operazioni di posizionamento, acquisizione e
analisi per non rallentare la linea di produzione. In alternativa al setup sviluppato si è
valutato inoltre anche un sistema di acquisizione microfonico.
Dopo aver esposto e confrontato i risultati dei vari test, nell’ultimo capitolo si esporranno le
conclusioni sul lavoro svolto.
6
Capitolo 2
Fondamenti di Statistica, Acustica e
Macchine Elettriche
Di seguito saranno descritti i parametri statistici utilizzati nel presente lavoro per l’analisi
del segnale nel dominio del tempo. Questi rientrano tutti nell’insieme dei metodi statistici di
cui ci si avvale tipicamente per l’analisi e l’individuazione di difettosità in sistemi meccanici
rotanti.
Si tenga conto che a seguito del campionamento del segnale si dispone di un insieme
discreto di valori numerici la cui dimensione è data dal prodotto tra frequenza di
campionamento e il tempo di acquisizione. I seguenti parametri quindi, così come verranno
descritti, si applicano ad insiemi discreti e non a funzioni continue.
2.1.1 RMS
Il valore RMS 𝑥𝑅𝑀𝑆 è calcolato come la radice quadrata del valore medio quadratico di una
distribuzione discreta di valori xi:
𝑛
1
𝑥𝑅𝑀𝑆 = 𝑥𝑖2
𝑛
𝑖=1
Capitolo 2. Fondamenti di Statistica, Acustica e Macchine Elettriche
Fisicamente è associato al valore continuo che misura il contenuto energetico del segnale.
Dal punto di vista diagnostico permette il riconoscimento di qualche anomalia tramite un
aumento del proprio valore. Non è un parametro dotato di elevata sensibilità a fenomeni
impulsivi perché tende ad appiattirne il peso.
Il Crest Factor (CF) o fattore di cresta è definito come il rapporto tra il modulo del valore di
picco nell’insieme dei valori xi e il valore RMS nello stesso insieme:
𝑥𝑖,𝑚𝑎𝑥
𝐶𝐹 =
𝑥𝑅𝑀𝑆
Il fattore di cresta è un parametro che restituisce una misura del contenuto di impulsività di
un segnale: un valore alto è dovuto alla presenza di spike.
2.1.3 Kurtosis
𝑛
1
𝑘𝑢𝑟𝑡𝑜𝑠𝑖𝑠 = (𝑥𝑖 − 𝑥 )4
𝑛𝜎 4
𝑖=1
8
Capitolo 2. Fondamenti di Statistica, Acustica e Macchine Elettriche
𝑛
1 2
𝜎= 𝑥𝑖 − 𝑥
𝑛
𝑖=1
e 𝑥 è il valor medio
𝑛
1
𝑥= 𝑥𝑖
𝑛
𝑖=1
9
Capitolo 2. Fondamenti di Statistica, Acustica e Macchine Elettriche
La curva di pesatura A è la più usata di una famiglia di curve definite dalla norma
internazionale IEC 61672:2003 e dalla precedente IEC 60651:1979.
Figura 2.1 – Curve di pesatura definite nelle norme IEC 69672 ed IEC 60651
Tali curve, rappresentate in figura 2.2, sono state elaborate per correggere lo spettro
acustico di una sorgente sonora o di un ambiente rumoso in base alla sensibilità dell’udito
umano, variabile con la frequenza e l’intensità sonora.
La curva di ponderazione A, derivata dalla curva isofonoca a 40 phon tracciata da Fletcher e
Munson nel 1933, è adatta per la pesatura di spettri di emissione sonora piuttosto bassi;
tuttavia a livello normativo, anche in Italia, è usata per le analisi più disparate, dal rumore
stradale o aereo e alla determinazione del potenziale rischio di danno uditivo causabile da
rumori elevati.
La curva di pesatura C deriva dalla curva isofonica a 100 phon ed è quindi nata per la
10
Capitolo 2. Fondamenti di Statistica, Acustica e Macchine Elettriche
pesatura di spettri di emissione con livelli di pressione sonora più elevati. Stando alla IEC
61672 viene usata solo in quanto integrata come pesatura applicabile da fonometri di classe
1.
Le curve B e D sono cadute in disuso e non sono descritte nella IEC 61672.
11
Capitolo 3
Setup e strumenti di misura
Oggetto delle misure sono motoriduttori elettrici atti alla movimentazione di tapparelle
avvolgibili.
La struttura esterna è costituita da un telaio tubolare che al suo interno prevede un motore
asincrono monofase, in grado di ruotare in ambo le direzioni, dotato di finecorsa e blocco
termico, un freno meccanico e tre stadi di riduzione epicicloidali.
Una rappresentazione schematica della struttura interna del motoriduttore è fornita in
figura 3.1.
Figura 3.1 - Schema della struttura del motoriduttore oggetto delle misure.
Capitolo 3. Setup e strumenti di misura
Perché l’indagine abbia valore statistico sono stati presi in esame 100 motori ritenuti non
difettati e 50 motori dotati di 5 differenti tipologie di difetto (10 motori per ogni tipo di
difetto) identificate con le lettere B, C, D, F e H. I difetti sono stati creati appositamente dal
produttore per poter consentire questo tipo di studio: tali tipologie di difetto corrispondono
a quelle che hanno maggiore probabilità di verificarsi nel processo di produzione.
Nel corso dello studio sono stati utilizzati tre diversi setup di acquisizione e analisi. I primi
due sono molto simili in quanto condividono il tipo di acquisizione tramite accelerometro
triassiale, la catena di misura e l’approccio di analisi ai dati acquisiti: il primo è un setup
semplificato che è stato sviluppato per supportare un’indagine su quale tipo di supporto per
l’accelerometro utilizzare in linea di produzione (se ne parlerà nel capitolo seguente) e al
contempo ha fornito occasioni per testare la base software, concettualmente immutata nel
setup successivo.
Il secondo setup si presenta come un’evoluzione del primo al quale sono state apportate
delle migliorie tali da poterlo integrare in una stazione a fine linea di produzione per
effettuare il controllo di qualità.
Il terzo setup è basato su acquisizioni di tipo acustico tramite microfoni e su metodi di
analisi proprietari. È stato adoperato con l’intenzione di mettere in discussione l’approccio
accelerometrico individuato in precedenza e per esplorare nuovi metodi di indagine
percorribili.
13
Capitolo 3. Setup e strumenti di misura
Figura 3.2 – Disposizione schematica della catena di misura nel setup di acquisizione accelerometrico.
14
Capitolo 3. Setup e strumenti di misura
Figura 3.3 – Blocco di cemento per l’isolamento delle vibrazioni indotte dal pavimento.
Il sensore primario è stato posto sempre nella stessa posizione relativa al telaio del motore
soggetto ad acquisizione, così da garantire uniformità nelle misurazioni. Tale posizione è
stata ovviamente lasciata invariata indipendentemente dai vari sistemi di fissaggio usati per
l’accelerometro e descritti nel capitolo seguente. Questa posizione coincide con quella
collocata tra il secondo e il terzo stadio di riduzione epicicloidale e sul telaio corrisponde ad
una distanza di 56 mm dalla base del tubo, a partire dal lato in cui si trova l’albero di uscita
(figura 3.4).
15
Capitolo 3. Setup e strumenti di misura
16
Capitolo 3. Setup e strumenti di misura
17
Capitolo 3. Setup e strumenti di misura
dati interna al PC. Il blocco consente di gestire segnali analogici e digitali sia in ingresso che
in uscita. È collegato alla scheda di acquisizione tramite un cavo schermato.
La scheda di acquisizione PCI-6036E di Nationa Instruments è una scheda entry level dotata
di sedici input analogici a 16 bit e due output analogici a 16 bit, oltre ad otto linee I/O
digitali e ad un triggering digitale. Di seguito le specifiche tecniche.
Input analogico
Numero di canali 16 SE/8 DI
Frequenza di campionamento 200 kS/s
Risoluzione 16 bits
Intervallo massimo di tensione -10 ÷ 10 V
Intervallo minimo di tensione -50 ÷ 50 mV
Memoria su scheda 512 campionamenti
Output analogico
Numero di canali 2
Velocità di aggiornamento 10 kS/s
Risoluzione 16 bits
Intervallo massimo di tensione -10 ÷ 10 V
Intervallo minimo di tensione -10 ÷ 10 V
Corrente di attuazione (Canale/Totale) 5 mA
I/O digitale
Numero di canali 8 DIO
Intervallo input massimo 0÷5V
Intervallo output massimo 0÷5V
Flusso di corrente input Sinking, Sourcing
Flusso di corrente output Sinking, Sourcing
Corrente di attuazione (Canale/Totale) 24 mA/192 mA
18
Capitolo 3. Setup e strumenti di misura
L’uscita del blocco BNC-2110 viene ricevuta dalla scheda di acquisizione che elabora gli
ingressi rendendoli disponibili in un formato idoneo all’elaborazione attraverso software di
progettazione e calcolo scritti in LabVIEW.
3.2.1.4 Software
Il software che gestisce le acquisizioni e che si occupa del processo del riconoscimento della
presenza di difetti è stato scritto in LabVIEW. La versione usata è la 8.2.
LabVIEW è l’ambiente di sviluppo per il linguaggio di programmazione visuale di National
Instruments: è particolarmente orientato all’acquisizione e analisi dei dati e al controllo dei
processi, ma più in generale è utilizzabile anche in ambito scientifico e per l’automazione
industriale. L’implementazione di un programma sviluppato in LabVIEW non prevede righe
di codice e quindi non è disponibile in formato testuale: la programmazione avviene nel
linguaggio grafico denominato G-Language e genera un binario visualizzabile e compilabile
solo da LabVIEW.
La semplicità di programmazione e di utilizzo hanno reso LabVIEW uno degli ambienti di
sviluppo più diffusi nel proprio ambito.
Il software che si occupa della procedura di identificazione delle difettosità si divide in due
step. In una prima fase vengono affettuate tramite accelerometro le acquisizioni di
vibrazione sui motori definiti come privi di difetto. A seguito di un processamento dei dati
acquisiti si calcolano i parametri statistici che fanno da riferimento. Questo completa la fase
di taratura del sistema di analisi. In seguito si collauda il sistema: vengono acquisiti i motori
ritenuti difettati, si determinano i parametri statistici e si effettua un confronto con i
riferimenti ottenuti nella fase di taratura.
Il processamento dei dati compiuto dal software è stato sviluppato in uno studio
precedente (Tesei, 2009) e il suo funzionamento viene descritto di seguito.
Nella fase di taratura, dopo aver posto l’accelerometro triassiale sul telaio tubolare, si avvia
19
Capitolo 3. Setup e strumenti di misura
il programma. Il software mette in moto il motore per mezzo del relè e avvia l’acquisizione
della storia temporale dopo 5 s di run-up: questo dovrebbe rimuovere la presenza di
fenomeni transitori nell’acquisizione. Dopo il run-up si acquisisce il segnale sulle tre
direzioni per un tempo di 5 s. Il campionamento avviene ad una frequenza di 10000 Hz. In
questo modo si effettua un’acquisizione di vibrazione per ogni motore non difettato. Ogni
acquisizione restituisce quindi 50000 valori di accelerazione per ciascuna delle tre direzioni
dell’accelerometro (x, y, z). Dopo aver ripulito il segnale dalla componente DC vengono
calcolati sulle tre direzioni i parametri statistici (RMS, CF, kurtosis) così come sono stati
descritti nel paragrafo 2.1. A seguito di questa prima parte del processamento ad ogni
motore sono associati tre parametri statistici per ciascuna direzione di acquisizione, quindi
9 descrittori in tutto. I valori di ciascuno dei 9 descrittori così trovati, determinati per ogni
motore non difettato, si dispongono con una certa distribuzione di probabilità.
In base allo studio precedentemente mensionato si è ritenuto opportuno ridurre il
campione dei motori buoni escludendo dal calcolo dei parametri di riferimento quei motori
che superassero con qualcuno dei nove descrittori il valore 𝑥 + 2𝜎 all’interno della relativa
distribuzione.
I 9 riferimenti per la taratura sono quindi stati identificati con ciascuno dei massimi valori
assunti dai 9 parametri all’interno del campione ridotto dei motoriduttori buoni.
Nella fase di collaudo si sottopongono i motori difettati ad acquisizione e processamento dei
dati del tutto analoghi a quelli ricevuti dai motori buoni nella fase di taratura. Il sistema
riconosce come difettato un motore per il quale il valore di uno qualsiasi dei 9 parametri
statistici supera il rispettivo valore di riferimento.
È altresì ovvio che i motori buoni al di fuori del campione ridotto risulterebbero sempre
difettati nell’ipotesi in cui i parametri ad esso associati in fase di collaudo risultassero
uguali a quelli ottenuti precedentemente nella fase di taratura.
Le storie temporali acquisite sia in fase di taratura che di collaudo sono sempre state
salvate su dispositivo di archiviazione di massa in modo da poter essere riutilizzate nel caso
occorresse.
20
Capitolo 3. Setup e strumenti di misura
In seguito è stato sviluppato un setup con l’idea di creare un sistema da poter integrare
all’interno di una linea produttiva in una stazione per il controllo di qualità. L’immagine
seguente schematizza la configurazione degli strumenti usati.
Figura 3.5 – Disposizione schematica della catena di misura nel setup simulato per linea di produzione.
Il nuovo setup prevede due PC collegati tra loro in una rete locale con struttura client-
server.
Un PC svolge il ruolo di client: ad esso è collegato tutto l’hardware di misura e su di esso è
installato il software di acquisizione ed analisi dei dati. Tale PC è quello che, con tutta la
strumentazione, figurerebbe nella stazione a fine linea di produzione ed è quello con cui
interagisce l’operatore addetto a tale stazione.
21
Capitolo 3. Setup e strumenti di misura
Il PC che fa da server controlla l’avvio delle acquisizioni e comunica con il client attraverso
stringhe numeriche con le quali indica il numero di motori da acquisire, il verso di rotazione
(orario, antiorario o entrambi) e la classe di qualità.
Il generatore di onda, settato in modo che generi un’onda quadra di ampiezza 4 V e
frequenza 100 mHz, è collegato ad un ingresso digitale della scheda di acquisizione e ha lo
scopo di fare da trigger per l’avvio dell’acquisizione.
L’invertitore consente di invertire manualmente il verso di rotazione del motore.
3.2.2.1 Software
Il software di acquisizione e processamento, che come detto risiede sul client, differisce da
quello descritto nel paragrafo 3.2.1.4 in quanto consente l’acquisizione delle storie
temporali per entrambi i versi di rotazione (per una stessa posa del motoriduttore) oltre a
permettere la definizione di diverse classi di qualità.
La classe di qualità viene imposta dal software lato server per mezzo dell’invio di una
stringa: tale stringa indica il valore del coefficiente moltiplicativo A nella formula 𝑥 + 𝐴𝜎
per la determinazione del riferimento all’interno della distribuzione di ogni parametro.
In caso le misure di vibrazione vengano effettuate per entrambi i versi di rotazione del
motore la creazione dei parametri di riferimento e l’analisi sui motori difettati avviene in
modo disgiunto sui due versi; in seguito, nel collaudo, un motore viene considerato difettato
se risulta difettato in almeno uno dei due versi di rotazione.
L’interfaccia del software lato client è stata adattata in modo da ridurne al minimo
l’interazione dell’operatore che in questo modo si occuperebbe solo della posa dei motori
sulla piattaforma di acquisizione: in linea si prevede di far posizionare l’accelerometro sui
motori da un braccio meccanico. Come si può vedere dalle due immagini seguenti, che
raffigurano le interfacce dei software di taratura e di collaudo, i controlli attivi sono del
tutto assenti, se si esclude il pulsante di stop manuale che si adopera solo in caso di
emergenza.
22
Capitolo 3. Setup e strumenti di misura
23
Capitolo 3. Setup e strumenti di misura
24
Capitolo 3. Setup e strumenti di misura
3.2.3.1 Software
Il software all’avvio richiede la scelta tra due diverse tipologie di training: in una si chede
una serie di misurazioni sui motori nell’ambiente di prova ed in seguito acquisizioni sul solo
ambiente (quindi con motoriduttore fermo); l’altra prevede acquisizioni su motori in
ambiente di prova e in seguito su motori in camera anecoica.
25
Capitolo 3. Setup e strumenti di misura
26
Capitolo 3. Setup e strumenti di misura
nella cui banda il valore RMS dei due motori difettati (curve in rosso) è maggiore di quello
dei motori buoni usati per la taratura (curve in blu).
In seguito si esegue il test per il riconoscimento delle difettosità acquisendo tutti i motori
rimanenti. Tale test individua come difettati quei motori le cui emissioni acustiche
producono un valore di RMS interno o superiore al range definito nella banda con almeno
uno dei due segnali (de-noised e non trattato).
27
Capitolo 4
Acquisizioni e analisi
Figura 4.1 – Soluzione per il fissaggio dell’accelerometro tramite elettromagnete e appoggi in acciaio.
29
Capitolo 4. Acquisizioni e analisi
Accantonata l’idea dei tondini metallici si è scelto di sostituirli con degli appoggi in gomma
rigida appositamente sagomati. Questa soluzione ha risolto entrambi i problemi riscontrati
nella la configurazione vista in precedenza: il cianoacrilato permette una migliore adesività
tra base dell’elettromagnete e gomma; a sua volta questa garantisce l’attrito necessario a
non far muovere il supporto dal punto in cui lo si è appoggiato sul motore. Inoltre rende
possibile l’acquisizione in simultanea con l’accelerometro fissato con cera. Anche in questo
caso si è fatto in modo che il fondo dell’elettromagnete toccasse la superficie del telaio
tubolare.
30
Capitolo 4. Acquisizioni e analisi
Figura 4.2 – Soluzione per il fissaggio dell’accelerometro tramite elettromagnete e appoggi in gomma.
Con il sensore così sistemato (figura4.2) si sono potute fare delle acquisizioni in simultanea
insieme all’accelerometro fissato con cera. Il secondo sensore usato è dello stesso modello
del precedente (paragrafo 3.2.1.1): in questo modo le due acquisizioni sono soggette alle
stesse condizioni di misura. I motori oggetto della prova sono stati gli stessi usati per
testare gli appoggi metallici.
Dalle prove in simultanea si sono ricavati gli spettri in frequenza dei segnali. Nel grafico di
figura 4.3, riferito alla direzione assiale, è visibile in bianco lo spettro dell’acquisizione
effettuata con l’accelerometro fissato con cera, in rosso quello relativo al fissaggio con
elettromagnete.
Si può notare che l’uso del supporto elettromagnetico introduce un leggero picco di
risonanza intorno alla frequenza di 1600 Hz, mentre funziona da filtro passa-basso oltre i
2800 Hz.
31
Capitolo 4. Acquisizioni e analisi
Figura 4.3 – Spettri di vibrazione relativi al fissaggio con cera e con elettromagnete (direzione assiale).
Figura 4.4 – Spettri di vibrazione relativi al fissaggio con cera e con elettromagnete (direzione radiale).
32
Capitolo 4. Acquisizioni e analisi
Il filtraggio delle alte frequenze è evidente anche negli spettri correlati alla direzione
radiale, sempre per frequenze superiori ai 2800 Hz circa (figura 4.4), mentre sulla direzione
tangenziale il filtraggio lo si vede partire a frequenze ben più basse, sotto i 1000 Hz (figura
4.5). A proposito dell’immagine seguente lo spettro in verde è relativo ad un’acquisizione
effettuata sullo stesso motore con l’uso degli appoggi metallici: questo tipo di appoggi nella
direzione tangenziale sembra rendere meglio rispetto a quello in gomma, mentre il suo
comportamento è abbastanza simile nelle altre direzioni.
Occorre comunque precisare che tale acquisizione non è in simultanea con le altre due.
Figura 4.5 – Spettri di vibrazione relativi al fissaggio con cera e con elettromagnete (direzione tangenziale).
33
Capitolo 4. Acquisizioni e analisi
Queste percentuali sono per ora confrontabili solo con quelle ricavabili da indagini
precedenti a questo studio: si dispondeva infatti di prove effettuate sullo stesso campione di
motori e con l’accelerometro fissato con cera. Tali acquisizioni erano però di 10 s di durata,
ma sempre ad una frequenza di campionamento di 10000 Hz. Con questi dati è stato
possibile ricavare le percentuali di riconoscimento utilizzando lo stesso software di
processamento e analisi.
Tabella 4.2 – Riepilogo delle percentuali di riconoscimento per il fissaggio con cera (acquisizioni da 10 s).
34
Capitolo 4. Acquisizioni e analisi
Dal confronto, sintetizzato nella tabella 4.3, si può individuare un calo di prestazioni tanto
in termini di scarti tra i motori buoni quanto di riconoscimento tra i difettati. Questa
discrepanza è imputabile sia al differente metodo di fissaggio che alla diversa durata delle
storie temporali.
elettromagnete magnete
% scarto motori buoni 26 % 20 %
B 10 % 10 %
% errore C 60 % 40 %
identificazione D 44,4 % 0%
difetto F 0% 0%
H 0% 0%
Tabella 4.3 – Confronto tra le percentuali di riconoscimento per i il fissaggio con cera (acquisizioni da 10 s)
e con elettromagnete.
35
Capitolo 4. Acquisizioni e analisi
aumento del range di frequenza utile sfruttabile nelle acquisizioni: la minore distanza tra
accelerometro e telaio del motore e la ridotta massa del supporto stesso al sensore.
Nel disegno di figura 4.6 sono rappresentate le viste ortogonali quotate dalla camicia
metallica progettata.
36
Capitolo 4. Acquisizioni e analisi
Figura 4.7 – Soluzione per il fissaggio dell’accelerometro tramite magnete con camicia metallica.
Sono stati prodotti due supporti metallici: uno in acciaio, l’altro in lega d’alluminio. Il
supporto in alluminio ha contribuito ad un’ulteriore riduzione di massa, ma porta anche ad
un abbassamento della forza attrattiva dovuto al fatto che l’alluminio non si magnetizza:
questo comporta una parziale inefficacia del fissaggio del sensore al motore.
Per ciascuno dei due tipi di supporto metallico si sono fatte acquisizioni in simultanea con
un accelerometro fissato con cera.
Partendo dalle misure effettuate con camicia in alluminio la figura 4.8 raffigura lo spettro
ottenuto con tale tipo di supporto (in giallo) e con il fissaggio con cera (in bianco) per la
direzione assiale. Si può notare la presenza di un picco tra i 3000 e i 3500 Hz, riscontrabile
in quasi tutti i motori, che amplifica quanto rilevato dal sensore fissato con cera.
Tale effetto amplificante è verificabile anche sulla direzione tangenziale a frequenze
successive ai 2000 Hz (figura 4.9).
37
Capitolo 4. Acquisizioni e analisi
Figura 4.8 – Spettri di vibrazione relativi al fissaggio con cera e con suppoto in alluminio (direzione assiale).
Figura 4.9 – Spettri di vibrazione relativi al fissaggio con cera e con suppoto in alluminio (direzione
tangenziale).
38
Capitolo 4. Acquisizioni e analisi
Per quanto riguarda l’uso della camicia in acciaio invece lo spettro ottenuto con questo
supporto (in azzurro nelle figure 4.10 e 4.11) è molto simile al segnale proveniente
dall’accelerometro fissato con cera (in bianco), con scarso effetto amplificante.
Figura 4.10 – Spettri di vibrazione relativi al fissaggio con cera e con suppoto in acciaio (direzione assiale).
39
Capitolo 4. Acquisizioni e analisi
Figura 4.11 – Spettri di vibrazione relativi al fissaggio con cera e con suppoto
in acciaio (direzione tangenziale).
Nella direzione radiale entrambi i supporti si comportano allo stesso modo, restituendo un
segnale molto simile a quello proveniente dall’accelerometro con cera, come visibile dalle
figure 4.12 e 4.13.
Dato il miglior comportamento dinamico offerto dal supporto magnetico in acciaio si è
scelto di procedere con quest’ultimo.
40
Capitolo 4. Acquisizioni e analisi
Figura 4.12 – Spettri di vibrazione relativi al fissaggio con cera e con suppoto in alluminio (direzione radiale).
Figura 4.13 – Spettri di vibrazione relativi al fissaggio con cera e con suppoto in acciaio (direzione radiale).
41
Capitolo 4. Acquisizioni e analisi
Tabella 4.4 – Riepilogo delle percentuali di riconoscimento per il supporto camicia in acciaio.
L’esito è stato incoraggiante: un confronto diretto con quanto ottenuto dall’analisi condotta
precedentemente con l’elettromagnete, sintetizzato in tabella 4.5, evidenzia una riduzione
della percentuale di errore nell’individuazione dei difetti, associata ad un minor numero di
motori buoni scartati. In ottica produttiva questo è un indubbio vantaggio.
elettromagnete magnete
% scarto motori buoni 26 % 20 %
B 10 % 10 %
% errore C 60 % 40 %
identificazione D 44,4 % 0%
difetto F 0% 0%
H 0% 0%
Tabella 4.5 – Confronto tra le percentuali di riconoscimento per i supporti magnetico ed elettromagnetico.
42
Capitolo 4. Acquisizioni e analisi
Nessuna delle tipologie di difetto analizzate in questo testo comporta l’arresto del motore.
In generale la presenza di un difetto è avvertibile ad orecchio come una maggiore
rumorosità del motore durante il funzionamento.
Questo ha indotto a provare ad applicare una pesatura A (vedi paragrafo 2.2) al segnale
acquisito immediatamente dopo aver rimosso la componente DC. Dal segnale così trattato
dei motoriduttori buoni si passa poi alla determinazione dei parametri statistici e dei
riferimenti. La pesatura è applicata ovviamente anche anche alle acquisizioni dei motori
difettati prima di eseguire il test. Come detto nel precedente capitolo le storie temporali
sono sempre state salvate su disco quindi non si è dovuto procedere con nuove acquisizioni.
Oggetto di pesatura sono stati i dati acquisiti in occasione delle due analisi per i sistemi di
supporto visti nei paragrafi precedenti. Come ulteriore termine di risconto si sono utilizzati
anche i dati correlati alle acquisizioni da 10 s effettuate con accelerometro fissato con c’era
d’api, di cui si è già parlato nel paragrafo 4.1.1.4.
Nelle tabelle a seguire vengono confrontate le percentuali di riconoscimento e di scarto
associate ai segnali pesati e non pesati per ogni metodo di fissaggio.
Tabella 4.6 – Fissaggio con cera. Confronto tra le percentuali di riconoscimento sul segnale
pesato e non pesato.
43
Capitolo 4. Acquisizioni e analisi
Le tabelle dimostrano che l’introduzione di una pesatura A sul segnale acquisito porta ad un
aumento sia delle percentuali di errore nel riconoscimento dei difetti che in quelle di scarto
tra i motori buoni: questo basta ad escludere la pesatura del segnale come metodo
migliorativo per il processo di identificazion di difettosità.
Vale la pena notare inoltre che, raffrontando le sole percentuali sui segnali pesati per
ciascun metodo di fissaggio, l’adozione del supporto in acciaio con magnete porta a risultati
più soddisfacenti rispetto a quelli ottenuti con l’uso di soluzioni differenti.
44
Capitolo 4. Acquisizioni e analisi
Avendo individuato nel supporto in acciaio con magnete la soluzione ideale per l’apparato
sensoristico lo si è integrato nel setup che simula in laboratorio la stazione per il controllo
di qualità (vedi paragrafo 3.2.2).
Con questa configurazione si sono effettuate acquisizioni da 5 s per ciascuno dei due versi
di rotazione: si ricorda che il test considera difettato un motore che viene riconosciuto non
conforme su almeno uno dei due versi. L’esito del test è riassunto nella tabella seguente:
Tabella 4.9 – Riepilogo delle percentuali di riconoscimento per setup simulato linea di produzione.
I motori che a causa di qualche guasto non si sono avviati in uno dei due versi sono stati
esclusi dal riepilogo: questo spiega la presenza di soli 98 motori buoni adoperati per la fase
di taratura.
Si può notare che le percentuali di errore nell’individuazione delle difettosità e di scarto di
motori buoni si siano leggermente alzate rispetto ai risultati ottenuti con il setup
precedente, come risulta chiaro dalla tabella 4.10.
45
Capitolo 4. Acquisizioni e analisi
Tabella 4.10 – Confronto tra le percentuali di riconoscimento nei due setup acceleometrici utilizzati.
Per quanto riguarda i motori buoni questo esito è da attribuirsi al processamento per la
taratura che viene fatto in modo disgiunto sui due versi di rotazione e che quindi porta ad
un numero maggiore di scarti: sono solo il 35 % circa i motori eliminati da entrambi i
processamenti sui due versi.
A proposito dei motori difettati erroneamente presi per buoni ci si aspettava un
abbassamento delle percentuali per le stesse ragioni: se un test non era riuscito a
riconoscere una difettosità avrebbe potuto farlo l’altro.
46
Capitolo 4. Acquisizioni e analisi
Le prove seguenti sono state effettuate con il setup di acquisizione microfonico introdotto
nel paragrafo 3.2.3. La sonda con i microfoni è stata posta ad una distanza di circa 5 mm dal
telaio tubolare del motore da acquisire, orientata in modo che puntasse alla zona dove è
sempre stato posto l’accelerometro nelle prove precedenti.
Con i sensori così sistemati si è praticato il training del software: sono state fatte 10
acquisizioni da 5 s del rumore di fondo e poi altre 6 della stessa durata su motoriduttori
buoni nelle stesse condizioni di disturbo ambientale: in questo modo il software ha potuto
calcolare i segnali de-noised.
L’immagine in figura 4.14 riporta gli spettri delle acquisizioni del rumore di fondo (in nero),
dell’emissione acustica dei motori buoni nell’ambiente di acquisizione (in rosso) e dei
rispettivi segnali de-noised (in verde).
Figura 4.14 – Fase di training. Spettri del rumore di fondo, dell’emissione acustica dei motori buoni e rispettivi
denoised.
47
Capitolo 4. Acquisizioni e analisi
Lo step successivo è stato l’allenamento del software al riconoscimento dei difetti. Si sono
eseguite rilevazioni su altri 7 motori buoni e poi su 10 difettati (2 per ogni tipologia di
difetto), anche queste di 5 s di durata. Il software, come detto nel capitolo precedente, è
capace di calcolare autonomamente i rispettivi segnali de-noised grazie alla precedente fase
di training.
Si è proceduto poi con la scelta delle metriche che permettono al software di riconoscere le
difettosità in fase di test: si ricorda che il test individua come difettato ogni motore la cui
emissione acustica produce un valore di RMS interno o superiore al range definito nella
metrica con almeno uno dei due segnali (de-noised e non trattato). Si definisce una metrica
per ogni tipo di difetto.
A seguito di un primo test si sono riportati i seguenti risultati.
Tabella 4.11 – Riepilogo delle percentuali di riconoscimento per l’analisi con setup mocrofonico.
Il numero dei motori testati è minore rispetto a quello delle prove precedenti perché i
motori mancanti sono stati usati nell’allenamento del software. Dalla tabella 4.11 si può
osservare che le percentuali di errore sono più elevate rispetto al setup previsto per la linea
di produzione con accelerometro e supporto magnetico. La tabella 4.12 riprende quelle
percentuali per un confronto.
48
Capitolo 4. Acquisizioni e analisi
Tabella 4.12 – Confronto delle percentuali di riconoscimento tra setup accelerometrico e microfonico.
49
Capitolo 4. Acquisizioni e analisi
50
Capitolo 4. Acquisizioni e analisi
51
Capitolo 4. Acquisizioni e analisi
52
Capitolo 4. Acquisizioni e analisi
53
Capitolo 4. Acquisizioni e analisi
54
Capitolo 4. Acquisizioni e analisi
Tabella 4.13 – Riepilogo delle percentuali di riconoscimento per la seconda analisi con setup mocrofonico.
Vale la pena riepilogare i risultati ottenuti con le due versioni delle metriche nella tabella
4.14.
Tabella 4.14 – Confronto delle percentuali di riconoscimento tra i due test con setup microfonico.
Rispetto al primo test si è ottenuta una riduzione drastica degli scarti tra i motori buoni con
l’evidente conseguenza di un abbassamento della riconoscibilità dei difetti. In particolare
sono solo 3 i motori provvisti di difetto D individuati, mentre per la prima volta nel corso
dell’intero lavoro non viene riconosciuto un motore con difetto H.
55
Capitolo 4. Acquisizioni e analisi
Tabella 4.15 – Confronto delle percentuali di riconoscimento tra setup accelerometrico e microfonico
con metriche ridefinite.
56
Capitolo 5
Conclusioni
58
Bibliografia
Lucifredi A., Elementi di analisi del segnale e della firma, monitoraggio di condizione e
diagnostica, per la manutenzione predittiva delle macchine e degli impianti, Milano,
FrancoAngeli, 1998.
Norton M. P.; Karczub D. G., Fundamentals of Noise and Vibration Analysis for Engineers, 2a
ed. Cambridge, Cambridge University Press, 2003.